論文の概要: Prediction of Critical Heat Flux in Rod Bundles Using Tube-Based Hybrid Machine Learning Models in CTF

• arxiv url: http://arxiv.org/abs/2602.03805v1
• Date: Tue, 03 Feb 2026 18:05:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.628567
• Title: Prediction of Critical Heat Flux in Rod Bundles Using Tube-Based Hybrid Machine Learning Models in CTF
• Title（参考訳）: CTFにおけるチューブ型ハイブリッド機械学習モデルによるロッドバンドル内の臨界熱流束の予測
• Authors: Aidan Furlong, Robert Salko, Xingang Zhao, Xu Wu,
• Abstract要約: 近年, 臨界熱流束(CHF)の予測が盛んに行われている。 フルスケールの原子炉コアシミュレーションでは、ロッドバンドルジオメトリを使用する必要がある。 本研究は,管型CHFデータを用いて学習した後,ロッドバンドルにおけるMLベースのCHF予測モデルの一般化について検討する。
• 参考スコア（独自算出の注目度）: 6.7949074631455995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The prediction of critical heat flux (CHF) using machine learning (ML) approaches has become a highly active research activity in recent years, the goal of which is to build models more accurate than current conventional approaches such as empirical correlations or lookup tables (LUTs). Previous work developed and deployed tube-based pure and hybrid ML models in the CTF subchannel code, however, full-scale reactor core simulations require the use of rod bundle geometries. Unlike isolated subchannels, rod bundles experience complex thermal hydraulic phenomena such as channel crossflow, spacer grid losses, and effects from unheated conductors. This study investigates the generalization of ML-based CHF prediction models in rod bundles after being trained on tube-based CHF data. A purely data-driven DNN and two hybrid bias-correction models were implemented in the CTF subchannel code and used to predict CHF location and magnitude in the Combustion Engineering 5-by-5 bundle CHF test series. The W-3 correlation, Bowring correlation, and Groeneveld LUT were used as baseline comparators. On average, all three ML-based approaches produced magnitude and location predictions more accurate than the baseline models, with the hybrid LUT model exhibiting the most favorable performance metrics.
• Abstract（参考訳）: 近年、機械学習(ML)アプローチを用いた臨界熱流束(CHF)の予測は、経験的相関やルックアップテーブル(LUT)といった従来の手法よりも正確なモデルを構築することを目的として、非常に活発な研究活動となっている。 CTFサブチャネルコードでチューブベースの純粋なMLモデルとハイブリッドMLモデルを開発、デプロイする以前の作業では、実際の原子炉コアシミュレーションにはロッドバンドルジオメトリの使用が必要だった。 孤立したサブチャネルとは異なり、ロッドバンドルはチャネルクロスフロー、スペーサーグリッド損失、未加熱導体の影響などの複雑な熱水圧現象を経験する。 本研究は,管型CHFデータを用いて学習した後,ロッドバンドルにおけるMLベースのCHF予測モデルの一般化について検討する。 純粋なデータ駆動型DNNと2つのハイブリッドバイアス補正モデルがCTFサブチャネルコードで実装され, 燃焼工学5-by-5バンドルCHFテストシリーズにおけるCHFの位置と大きさを予測するために使用された。 ベースラインコンパレータとしてW-3相関,Boring相関,Groeneveld LUTを用いた。 平均して、MLベースの3つのアプローチは、ベースラインモデルよりも規模と位置の予測が正確であり、ハイブリッドLUTモデルは最も好ましいパフォーマンス指標を示している。

関連論文リスト

• Robust Machine Learning Framework for Reliable Discovery of High-Performance Half-Heusler Thermoelectrics [0.0]
  機械学習(ML)は、環境危機に対処するための効率的な熱電(TE)材料発見を促進する。 MLモデルは、高いメトリクスにもかかわらず、しばしば実験的な一般化性に悩まされる。 本研究は、半ハウスラー(hH)構造プロトタイプに適用した頑健なワークフローを有益(zT)予測に適用する。
  論文  参考訳（メタデータ） (2026-02-01T10:50:42Z)
• Development and Deployment of Hybrid ML Models for Critical Heat Flux Prediction in Annulus Geometries [4.538224798436768]
  本研究は, CTFサブチャネル符号を用いて, 環状ジオメトリにおけるCHF予測のためのMLモデルを開発, 展開, 検証した。 経験的相関からベースラインCHF予測が得られ, 平均相対誤差は26%以上であった。 いずれの場合も、ハイブリッドMLモデルは経験的なモデルよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-07-18T19:19:38Z)
• Variational Autoencoder for Generating Broader-Spectrum prior Proposals in Markov chain Monte Carlo Methods [0.0]
  本研究では,マルコフ連鎖モンテカルロ法(McMC)の効率性と適用性を高めるために,変分オートエンコーダ法を用いる。 VAEフレームワークは、データ駆動のアプローチによって、逆問題におけるより広い範囲の相関構造を柔軟にキャプチャすることを可能にする。
  論文  参考訳（メタデータ） (2025-06-16T14:11:16Z)
• Deployment of Traditional and Hybrid Machine Learning for Critical Heat Flux Prediction in the CTF Thermal Hydraulics Code [4.538224798436768]
  臨界熱流束(CHF)予測は、効率、安全性、機器の損傷防止に不可欠である。 従来の機械学習アプローチは、解釈可能性の制限、データの不足、物理原理の知識不足に悩まされてきた。 本研究では、CTFサブチャネルコード内に、純粋にデータ駆動型MLモデルと2つのハイブリッドモデル(バイアスとボウリングCHF相関を用いた)を統合する。
  論文  参考訳（メタデータ） (2025-05-12T13:14:33Z)
• Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
  機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。 異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
  論文  参考訳（メタデータ） (2023-07-25T14:09:53Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• Accurate Discharge Coefficient Prediction of Streamlined Weirs by Coupling Linear Regression and Deep Convolutional Gated Recurrent Unit [2.4475596711637433]
  本研究では,CFDシミュレーションに代わるデータ駆動モデリング手法を提案する。 提案した3層階層型DLアルゴリズムは,後続の2つのGRUレベルを結合した畳み込み層で構成されており,LR法とハイブリダイゼーションすることで,誤差の低減につながることがわかった。
  論文  参考訳（メタデータ） (2022-04-12T01:59:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。